كتب : دينا كمال
OpenAI تطور تحديث الأنظمة المصرفية القديمة بالذكاء الاصطناعي
حققت نماذج الذكاء الاصطناعي التابعة لشركة OpenAI تقدماً في تحليل لغات البرمجة القديمة وتحديثها، بدقة تصل إلى 97.9%.
وتتيح هذه القدرات تحويل الشيفرات المكتوبة بلغات مثل COBOL وFortran إلى لغات حديثة، مع الحفاظ على وظائف البرامج الأصلية.
وتكتسب هذه التطورات أهمية خاصة للبنوك والمؤسسات الحكومية والصناعية، التي تعتمد على أنظمة برمجية أُنشئت قبل عقود.
لغات برمجة قديمة تشغّل أنظمة حيوية
لا تزال لغات COBOL وFortran وVisual Basic تؤدي دوراً مهماً في تشغيل الأنظمة المصرفية والحكومية والصناعية.
وتُستخدم COBOL في معالجة معاملات مالية واسعة النطاق، بينما تدعم Fortran الحسابات العلمية المعقدة، بما فيها نماذج الطقس وسلامة المفاعلات النووية.
لكن تحديث هذه الأنظمة يواجه تحديات، أبرزها تعقيد الشيفرات القديمة وندرة الوثائق التقنية، إلى جانب مخاطر الأخطاء أثناء التعديل.
GPT-6 يحقق قفزة في اختبارات البرمجة
أظهرت نتائج اختبار MultiLangBench، الذي طورته OpenAI، تحسناً في أداء نموذج GPT-6 Astra عند التعامل مع 20 لغة برمجة.
وسجل النموذج متوسط نجاح بلغ 87.4%، مقارنة بـ26.8% للجيل السابق.
كما ارتفعت نتيجته في لغة COBOL من 10.9% إلى 72.1%، بينما بلغت 83.5% في Fortran.
دقة تحويل الشيفرات تصل إلى 97.9%
أظهرت الاختبارات أن نموذج GPT-6.1 Sol حقق دقة ترجمة بلغت 86.6% باستخدام مستوى منخفض من الاستدلال.
وارتفعت النسبة إلى 97.9% عند زيادة مستوى الاستدلال، مع الحفاظ على قواعد حسابية دقيقة داخل البرامج.
وتشمل هذه القواعد أساليب تقريب الأرقام والتعامل مع البيانات المفقودة، وهي تفاصيل مؤثرة في الأنظمة المالية.
وقد يؤدي تغيير هذه القواعد إلى نتائج مختلفة، حتى عندما تبدو الشيفرات الجديدة صحيحة من الناحية البرمجية.
المراجعة البشرية تظل ضرورية
رغم النتائج المتقدمة، لا تزال المؤسسات بحاجة إلى مهندسي البرمجيات لمراجعة الشيفرات واختبارها قبل تشغيلها الفعلي.
فنجاح البرامج في الاختبارات لا يضمن خلوها من الأخطاء في جميع ظروف التشغيل.
ومع ذلك، يمكن للذكاء الاصطناعي تسريع تحليل الشيفرات القديمة، وشرح وظائفها، واقتراح تحديثها، وتقليل الوقت والتكاليف.
وبذلك، قد تسهم نماذج OpenAI في تحديث الأنظمة المصرفية والتقنية القديمة، مع استمرار الرقابة الهندسية لضمان سلامة النتائج.